Từ Llama đến Avocado/Muse Spark rồi Watermelon: chiến lược AI mới của Meta đang đổi hướng ra sao?

Chỉ trong hơn một năm, Meta đi từ "nhà vô địch model mở" với Llama sang một công ty giấu kín model chủ lực và dồn núi tiền vào cuộc đua frontier. Watermelon — codename model đang huấn luyện, được báo cáo là bắt kịp GPT-5.5 — là mảnh ghép mới nhất của bước ngoặt đó. Trong bài này, mình lần lại chuỗi Llama → Avocado/Muse Spark → Watermelon để trả lời câu hỏi: chiến lược AI của Meta thực ra đang đổi hướng thế nào, vì sao họ chấp nhận từ bỏ lợi thế open-source, và điều đó nghĩa là gì với người dùng lẫn hệ sinh thái AI.

TL;DR

• Llama từng cho Meta một vị thế riêng: không cần thắng benchmark vẫn thống trị hệ sinh thái open-source.
• Avocado/Muse Spark (4/2026) là cú quay xe: model đầu tiên từ Meta Superintelligence Labs, đóng nguồn, ưu tiên sản phẩm.
• Watermelon cho thấy tham vọng frontier trở lại: theo báo cáo, dùng compute gấp khoảng 10 lần Avocado và đã bắt kịp GPT-5.5 trên benchmark nội bộ — chưa kiểm chứng độc lập.
• Đằng sau là Alexandr Wang và thương vụ ~14 tỷ USD với Scale AI — một trong những ván cược nhân sự đắt nhất lịch sử ngành.
• Rủi ro không nhỏ: chi phí compute khổng lồ, hype chưa có số liệu đỡ, và lời hứa open-source còn bỏ ngỏ. Bối cảnh đầy đủ ở bài trụ về Meta Watermelon.

Llama từng giúp Meta khác gì so với OpenAI và Google?

Giai đoạn 2023–2025, Meta chọn một chiến lược AI khác hẳn đối thủ: phát hành miễn phí trọng số model dòng Llama. Trong khi OpenAI và Google bán model qua API đóng, Llama chạy được trên máy của bạn, tùy biến được, và trở thành nền của vô số startup, công cụ nội bộ doanh nghiệp và dự án cộng đồng — bao gồm cả nhiều công cụ AI viết code miễn phí mà dân dev Việt hay dùng.

Cái Meta nhận lại không phải doanh thu API mà là quyền lực hệ sinh thái: chuẩn de facto của model mở, thiện cảm cộng đồng nghiên cứu, và áp lực giá đè lên mô hình kinh doanh của đối thủ. Đổi lại, Llama hiếm khi dẫn đầu về chất lượng tuyệt đối — và khoảng cách đó ngày càng khó chấp nhận khi thế hệ Llama 4 bị đánh giá là hụt hơi so với GPT, Gemini và Claude.

Avocado/Muse Spark là bước chuyển nào?

Tháng 4/2026, Meta ra mắt Muse Spark — codename nội bộ Avocado — model đầu tiên do Meta Superintelligence Labs phát triển, theo Axios. Ba tín hiệu chiến lược nằm trong một lần phát hành:

1. Đóng nguồn. Muse Spark không phát hành trọng số. Meta chỉ nói họ "hy vọng mở nguồn các phiên bản tương lai" — một cách giữ cửa chứ không phải cam kết. Với công ty từng coi open-source là bản sắc, đây là thay đổi triết lý thật sự.
2. Ưu tiên sản phẩm hơn kỷ lục. Muse Spark được mô tả là nhỏ, nhanh, đa phương thức — thiết kế để chạy trợ lý Meta AI cho hàng tỷ người dùng, không phải để đứng đầu bảng xếp hạng.
3. Làm lại từ móng. Theo CNBC, Meta dành khoảng 9 tháng xây lại stack AI sau thương vụ đưa Alexandr Wang về — Muse Spark là sản phẩm đầu tiên của bộ máy mới, không phải bản nâng cấp của bộ máy cũ.

Phản ứng thị trường khá dè dặt: Wall Street ghi nhận tiềm năng nhưng vẫn đòi hỏi một chiến lược AI rõ ràng hơn từ Zuckerberg — nhất là khi chi phí hạ tầng phình ra từng quý.

Watermelon đang đại diện cho tham vọng gì?

Nếu Muse Spark trả lời câu hỏi "Meta có làm lại được nền móng không", thì Watermelon trả lời câu hỏi "Meta có đua được lên đỉnh không".

Theo báo cáo từ town hall nội bộ, Watermelon dùng lượng compute lớn hơn Avocado khoảng một bậc — tức đầu tư huấn luyện tăng cỡ 10 lần chỉ sau một thế hệ. Kèm tuyên bố "đã bắt kịp GPT-5.5", thông điệp gửi tới nhân viên (và vô tình tới cả thị trường) rất rõ: Meta không còn cam chịu vai "model tốt cho sản phẩm nội bộ", họ muốn quay lại bàn frontier — nơi OpenAI và Google với Gemini 3.5 đang ngồi.

Cần nhắc lại giới hạn của thông tin này: benchmark chưa công khai, model chưa phát hành, chưa ai kiểm chứng — mình đã phân tích kỹ trong bài benchmark AI nói được gì và không nói được gì. Nhưng riêng con số compute, nếu đúng, đã đủ nói lên mức độ nghiêm túc của ván cược.

Meta Superintelligence Labs và vai trò của Alexandr Wang

Trung tâm của mọi thay đổi này là một thương vụ nhân sự: giữa 2025, Meta chi khoảng 14 tỷ USD vào Scale AI để đưa nhà sáng lập Alexandr Wang về lãnh đạo mảng AI, tổ chức lại thành Meta Superintelligence Labs. Đây là kiểu "acqui-hire" đắt chưa từng có — cho thấy Zuckerberg sẵn sàng trả giá nào để đổi bộ não chỉ huy cuộc đua.

Dưới thời Wang, có thể thấy vài dấu ấn: chu kỳ phát hành nhanh hơn (Muse Spark sau ~9 tháng), khẩu vị frontier rõ hơn (Watermelon với compute gấp bậc), và cách truyền thông nội bộ tự tin hơn hẳn — chính phát biểu "bắt kịp GPT-5.5" là ví dụ. Mặt khác, các mảng AI ứng dụng của Meta không phải đều chạy mượt: mảng AI agent cho doanh nghiệp được ghi nhận là tiến chậm hơn kế hoạch của Zuckerberg. Model mạnh là điều kiện cần, chưa phải điều kiện đủ.

Open-source hay closed frontier model: chiến lược AI của Meta sẽ chọn đường nào?

Đây là câu hỏi mình thấy thú vị nhất, vì nó ảnh hưởng trực tiếp tới cộng đồng dev và người làm công cụ.

• Kịch bản 1 — đóng hẳn: Meta giữ Watermelon và các đời sau làm lợi thế cạnh tranh, Llama dừng ở vai trò di sản. Hệ open-source mất đầu tàu, khoảng trống do các đối thủ khác lấp.
• Kịch bản 2 — hai tầng: model frontier đóng nguồn cho sản phẩm và API, các bản nhỏ hơn mở nguồn cho cộng đồng — kiểu "flagship đóng, phổ thông mở". Lời hứa "hy vọng mở nguồn phiên bản tương lai" của Meta nghiêng về hướng này.
• Kịch bản 3 — mở trở lại khi đã dẫn đầu: nếu Watermelon thật sự đạt đỉnh, Meta có thể dùng lại chiêu Llama — mở nguồn để phá giá đối thủ — nhưng ở thế thượng phong thay vì thế rượt đuổi.

Hiện chưa có tuyên bố chính thức nào chốt hướng đi. Với người làm nghề, bài học thực dụng là: đừng xây workflow phụ thuộc vào giả định Meta sẽ mãi mở nguồn — hãy giữ quy trình đủ linh hoạt để đổi model, như cách mình vẫn khuyên khi làm việc với nhiều AI coding tool cùng lúc.

Người dùng phổ thông có thể thấy thay đổi ở đâu: Facebook, Instagram, WhatsApp, Meta AI

Khác OpenAI phải kéo người dùng tới ChatGPT, Meta mang model tới chỗ người dùng đã ở sẵn. Muse Spark hiện chạy trợ lý Meta AI trong app Meta AI và meta.ai, đang phủ dần sang WhatsApp, Facebook, Instagram, Messenger và kính Ray-Ban. Nếu Watermelon kế nhiệm vị trí đó, thay đổi với người dùng phổ thông — đặc biệt ở Việt Nam nơi Facebook vẫn là mạng xã hội quốc dân — sẽ nằm ở:

• Trợ lý trong app trả lời tốt hơn, xử lý tiếng Việt tự nhiên hơn, làm được tác vụ dài hơn;
• Tìm kiếm trong nền tảng (tìm nội dung, sản phẩm, địa điểm) được AI hoá mạnh hơn;
• Feed và quảng cáo cá nhân hoá bởi model đời mới — thứ người dùng không nhìn thấy nhưng cảm nhận được;
• Công cụ sáng tạo (viết caption, tạo ảnh, dựng video) tích hợp thẳng vào app, cạnh tranh với các công cụ chuyên như hệ tạo ảnh Nano Banana của DeepMind.

Với người làm content trên các nền tảng này, đó không phải chuyện xa xôi — mình dành riêng một bài về việc người làm SEO/content Việt Nam nên chuẩn bị gì.

Rủi ro: hype, chi phí compute, benchmark chưa công khai

Bức tranh sẽ thiếu trung thực nếu không nói phần rủi ro:

• Hype chạy trước bằng chứng. Tuyên bố nội bộ được truyền thông khuếch đại, trong khi Meta chưa đưa ra bất kỳ số liệu public nào. Nếu model ra mắt không như kỳ vọng, cú ngã truyền thông sẽ đau.
• Chi phí compute là con dao hai lưỡi. Gấp 10 lần compute nghĩa là hoá đơn hạ tầng khổng lồ phải được doanh thu thật bù lại — điều Wall Street đã sốt ruột từ thời Muse Spark.
• Đối thủ không đứng yên. OpenAI đã hé lộ thế hệ sau GPT-5.5; Google giữ nhịp phát hành dày đặc. "Bắt kịp" là mục tiêu di động.
• Niềm tin cộng đồng open-source đã sứt mẻ — nếu Meta cần quay lại chiến lược mở, họ sẽ phải xây lại niềm tin đó từ đầu.

Kết luận

Nhìn từ Llama qua Avocado/Muse Spark tới Watermelon, chiến lược AI của Meta đổi hướng theo một trục rất rõ: từ mở để phá thế trận sang đóng để đua tuyệt đối, với Alexandr Wang là kiến trúc sư và compute là vũ khí chính. Watermelon là phép thử lớn nhất của hướng đi này — nếu tuyên bố "bắt kịp GPT-5.5" được xác nhận bằng số liệu công khai, Meta chính thức trở lại chiếu trên; nếu không, họ vẫn là kẻ rượt đuổi, chỉ là với hoá đơn lớn hơn nhiều.

Đọc tiếp trong series: Meta Watermelon là gì — bài trụ toàn cảnh, Watermelon vs GPT-5.5 dưới lăng kính benchmark, và checklist chuẩn bị cho người làm SEO/content Việt Nam. Khám phá thêm các phân tích AI khác tại chuyên mục Khoa học.